掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
深度學習——基于PYTORCH的實現(數據科學與大數據技術叢書) 版權信息
- ISBN：9787300312378
- 條形碼：9787300312378 ; 978-7-300-31237-8
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
深度學習——基于PYTORCH的實現(數據科學與大數據技術叢書) 內容簡介
本書是一本由淺入深地介紹深度學習的理論原理及PyTorch深度學習框架的入門書籍，全書通過圖文并茂的方式對重點知識進行講解，注重實踐，詳細地介紹了PyTorch的基本使用、神經網絡的構建和訓練技巧、卷積神經網絡和循環神經網絡的實現，以及前沿的深度生成模型的應用。通過學習本書，讀者不僅可以了解深度學習，而且可以輕松實現機器作詩、自動樂曲生成、機器翻譯、圖像去噪等有趣的應用。全書配有注釋詳細的代碼，方便讀者學習與實踐。本書適用于對人工智能感興趣的讀者，也適合作為深度學習領域的入門教材。
深度學習——基于PYTORCH的實現(數據科學與大數據技術叢書) 目錄
第1章 導 論
1.1 人工智能
1.1.1 人工智能的發展歷史
1.1.2 人工智能的流派
1.2 機器學習
1.3 深度學習
1.3.1 深度學習的概念
1.3.2 深度學習與機器學習、人工智能的關系
1.3.3 深度學習的歷史溯源
1.3.4 深度學習與回歸分析
1.4 深度學習適用的領域
1.4.1 圖像識別
1.4.2 語音識別
1.4.3 自然語言處理
1.4.4 棋牌競技
1.5 常用的深度學習框架
1.5.1 Caffe
1.5.2 TensorFlow
1.5.3 PyTorch
1.5.4 MXNet
1.5.5 Keras
1.6 本書使用的數據和代碼說明
第2章 神經網絡的張量與數學基礎
2.1 張 量
2.1.1 張量的定義
2.1.2 張量的數據類型
2.1.3 張量的創建方式
2.1.4 應用：圖像數據轉張量
2.2 張量的操作
2.2.1 獲取和改變張量形狀
2.2.2 提取張量中的元素
2.2.3 張量的拼接與拆分
2.3 張量的運算
2.3.1 基本運算
2.3.2 統計相關運算
2.3.3 矩陣運算
2.4 深度學習的導數基礎
2.4.1 單變量函數和導數
2.4.2 多變量函數和偏導數
2.4.3 復合函數和鏈式求導法則
2.5 梯度下降算法的含義與公式
2.6 本章小結
第3章 前饋神經網絡
3.1 前饋神經網絡的基本結構和常見激活函數
3.1.1 神經元
3.1.2 Sigmoid函數
3.1.3 Tanh函數
3.1.4 ReLU函數
3.1.5 前饋神經網絡的構成
3.2 損失函數的設置
3.3 梯度下降算法
3.3.1 梯度下降算法的直觀理解與定義
3.3.2 小批量梯度下降算法
3.3.3 動量梯度下降算法
3.3.4 Nesterov梯度加速算法
3.3.5 自適應梯度算法
3.3.6 AdaDelta算法
3.3.7 均方根加速算法
3.3.8 自適應矩估計算法
3.4 反向傳播算法
3.4.1 單個神經元的反向傳播算法示例
3.4.2 兩層神經網絡的反向傳播算法示例
3.5 過擬合
3.5.1 偏差-方差分解
3.5.2 正則化
3.5.3 權重衰減
3.5.4 丟棄法
3.6 本章小結
第4章 神經網絡的PyTorch實現
4.1 線性回歸案例：顏值打分
4.1.1 線性回歸基礎
4.1.2 案例：顏值打分
4.2 邏輯回歸案例：性別識別
4.2.1 邏輯回歸基礎
4.2.2 案例：性別識別
4.3 softmax回歸案例：Fashion-MNIST數據集分類
4.3.1 softmax回歸基礎
4.3.2 案例：Fashion-MNIST數據集分類
4.4 本章小結
第5章 卷積神經網絡基礎
5.1 卷積神經網絡的基本結構
5.2 卷積與池化的通俗理解
5.2.1 卷積的通俗理解
5.2.2 池化的通俗理解
5.3 卷積操作
5.3.1 卷積的定義
5.3.2 填充與步長
5.3.3 多通道卷積
5.4 池化操作
5.4.1 單通道池化
5.4.2 多通道池化
5.5 CNN模型實戰：手寫數字識別
5.5.1 數據準備
5.5.2 構建數據讀取器
5.5.3 LeNet-5網絡構建及代碼實現
5.5.4 模型訓練
5.5.5 層卷積核與特征圖的可視化
5.5.6 第二層卷積核與特征圖的可視化
5.6 本章小結
第6章 經典CNN模型介紹
6.1 AlexNet模型原理與實現
6.1.1 AlexNet網絡結構
6.1.2 AlexNet創新點
6.1.3 案例：AlexNet用于CIFAR10數據集的圖片分類
6.1.4 AlexNet網絡構建及代碼實現
6.1.5 模型訓練
6.2 VGG模型原理與實現
6.2.1
1.1 人工智能
1.1.1 人工智能的發展歷史
1.1.2 人工智能的流派
1.2 機器學習
1.3 深度學習
1.3.1 深度學習的概念
1.3.2 深度學習與機器學習、人工智能的關系
1.3.3 深度學習的歷史溯源
1.3.4 深度學習與回歸分析
1.4 深度學習適用的領域
1.4.1 圖像識別
1.4.2 語音識別
1.4.3 自然語言處理
1.4.4 棋牌競技
1.5 常用的深度學習框架
1.5.1 Caffe
1.5.2 TensorFlow
1.5.3 PyTorch
1.5.4 MXNet
1.5.5 Keras
1.6 本書使用的數據和代碼說明
第2章 神經網絡的張量與數學基礎
2.1 張 量
2.1.1 張量的定義
2.1.2 張量的數據類型
2.1.3 張量的創建方式
2.1.4 應用：圖像數據轉張量
2.2 張量的操作
2.2.1 獲取和改變張量形狀
2.2.2 提取張量中的元素
2.2.3 張量的拼接與拆分
2.3 張量的運算
2.3.1 基本運算
2.3.2 統計相關運算
2.3.3 矩陣運算
2.4 深度學習的導數基礎
2.4.1 單變量函數和導數
2.4.2 多變量函數和偏導數
2.4.3 復合函數和鏈式求導法則
2.5 梯度下降算法的含義與公式
2.6 本章小結
第3章 前饋神經網絡
3.1 前饋神經網絡的基本結構和常見激活函數
3.1.1 神經元
3.1.2 Sigmoid函數
3.1.3 Tanh函數
3.1.4 ReLU函數
3.1.5 前饋神經網絡的構成
3.2 損失函數的設置
3.3 梯度下降算法
3.3.1 梯度下降算法的直觀理解與定義
3.3.2 小批量梯度下降算法
3.3.3 動量梯度下降算法
3.3.4 Nesterov梯度加速算法
3.3.5 自適應梯度算法
3.3.6 AdaDelta算法
3.3.7 均方根加速算法
3.3.8 自適應矩估計算法
3.4 反向傳播算法
3.4.1 單個神經元的反向傳播算法示例
3.4.2 兩層神經網絡的反向傳播算法示例
3.5 過擬合
3.5.1 偏差-方差分解
3.5.2 正則化
3.5.3 權重衰減
3.5.4 丟棄法
3.6 本章小結
第4章 神經網絡的PyTorch實現
4.1 線性回歸案例：顏值打分
4.1.1 線性回歸基礎
4.1.2 案例：顏值打分
4.2 邏輯回歸案例：性別識別
4.2.1 邏輯回歸基礎
4.2.2 案例：性別識別
4.3 softmax回歸案例：Fashion-MNIST數據集分類
4.3.1 softmax回歸基礎
4.3.2 案例：Fashion-MNIST數據集分類
4.4 本章小結
第5章 卷積神經網絡基礎
5.1 卷積神經網絡的基本結構
5.2 卷積與池化的通俗理解
5.2.1 卷積的通俗理解
5.2.2 池化的通俗理解
5.3 卷積操作
5.3.1 卷積的定義
5.3.2 填充與步長
5.3.3 多通道卷積
5.4 池化操作
5.4.1 單通道池化
5.4.2 多通道池化
5.5 CNN模型實戰：手寫數字識別
5.5.1 數據準備
5.5.2 構建數據讀取器
5.5.3 LeNet-5網絡構建及代碼實現
5.5.4 模型訓練
5.5.5 層卷積核與特征圖的可視化
5.5.6 第二層卷積核與特征圖的可視化
5.6 本章小結
第6章 經典CNN模型介紹
6.1 AlexNet模型原理與實現
6.1.1 AlexNet網絡結構
6.1.2 AlexNet創新點
6.1.3 案例：AlexNet用于CIFAR10數據集的圖片分類
6.1.4 AlexNet網絡構建及代碼實現
6.1.5 模型訓練
6.2 VGG模型原理與實現
6.2.1
展開全部
深度學習——基于PYTORCH的實現(數據科學與大數據技術叢書) 作者簡介
周 靜，北京大學光華管理學院博士，中國人民大學統計學院副教授、博士生導師，中國人民大學應用統計科學研究中心研究員，研究方向為社交網絡數據建模、人工智能在肺癌診療中的應用等。在Journal of Business & Economic Statistics，Statistic Sinica，Computational Statistics & Data Analysis，Neurocomputing，《管理科學》及《營銷科學學報》等國內外權威期刊發表論文20余篇，著有《社交網絡數據：理論與實踐》和《深度學習：從入門到精通》，參與編寫《數據思維：從數據分析到商業價值》《數據思維實踐：從零經驗到數據英才》等。主持完成多項國家自然科學基金項目、北京市社會科學基金項目、國家統計局重點項目。
魯 偉，深度學習算法工程師，著有《深度學習筆記》和《機器學習：公式推導與代碼實現》，有多個醫學影像深度學習項目的管理、研發和落地經驗。
書友推薦
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
朝聞道
- >
自卑與超越
- >
姑媽的寶刀
- >
羅曼·羅蘭讀書隨筆-精裝
- >
唐代進士錄
- >
李白與唐代文化
- >
苦雨齋序跋文-周作人自編集
本類暢銷
